如何在foreachPartition中使用SQLContext和SparkContext

我想在foreachPartition中使用SparkContext和SQLContext，但由于序列化错误无法完成。我知道，无论对象是不可序列化，但我认为foreachPartition在主服务器，其中两个星火语境和SQLContext可供执行..如何在foreachPartition中使用SQLContext和SparkContext

符号：

`msg -> Map[String,String]` 
`result -> Iterable[Seq[Row]]`

这是我当前的代码（UtilsDM是extends Serializable的对象）。代码失败的部分从val schema =...开始，我想将result写入DataFrame，然后将其保存到Parquet。也许我组织代码的方式效率不高，那么我想在这里提出你的建议。谢谢。

// Here I am creating df from parquet file on S3 
val exists = FileSystem.get(new URI("s3n://" + bucketNameCode), sc.hadoopConfiguration).exists(new Path("s3n://" + bucketNameCode + "/" + pathToSentMessages)) 
var df: DataFrame = null 
if (exists) { 
    df = sqlContext 
    .read.parquet("s3n://bucket/pathToParquetFile") 
} 
UtilsDM.setDF(df) 

// Here I process myDStream 
myDStream.foreachRDD(rdd => { 
    rdd.foreachPartition{iter => 
    val r = new RedisClient(UtilsDM.getHost, UtilsDM.getPort) 
    val producer = UtilsDM.createProducer 
    var df = UtilsDM.getDF 
    val result = iter.map{ msg => 
     // ... 
     Seq(msg("key"),msg("value")) 
    } 

    // HERE I WANT TO WRITE result TO S3, BUT IT FAILS 
    val schema = StructType(
        StructField("key", StringType, true) :: 
        StructField("value", StringType, true) 

    result.foreach { row => 
     val rdd = sc.makeRDD(row) 
     val df2 = sqlContext.createDataFrame(rdd, schema) 

     // If the parquet file is not created, then create it 
     var df_final: DataFrame = null 
     if (df != null) { 
      df_final = df.unionAll(df2) 
     } else { 
      df_final = df2 
     } 
     df_final.write.parquet("s3n://bucket/pathToSentMessages) 
} 
    } 
})

编辑：

我使用星火1.6.2和Scala 2.10.6。

来源

2016-11-19 duckertito

这火花的版本？ – mrsrinivas

@MRSrinivas：我使用Spark 1.6.2和Scala 2.10.6。对不起，不提。 – duckertito

这是不可能的。 SparkContext，SQLContext和SparkSession只能在驱动程序上使用。您可以在foreachRDD顶层使用sqlContext：

myDStream.foreachRDD(rdd => { 
    val df = sqlContext.createDataFrame(rdd, schema) 
    ... 
})

不能在转型/动作使用它：

~~myDStream.foreachRDD(rdd => { rdd.foreach { val df = sqlContext.createDataFrame(...) ... } })~~

你可能想的相同的：

myDStream.foreachRDD(rdd => { 
    val foo = rdd.mapPartitions(iter => doSomethingWithRedisClient(iter)) 
    val df = sqlContext.createDataFrame(foo, schema) 
    df.write.parquet("s3n://bucket/pathToSentMessages) 
})

来源

2016-11-19 09:19:07

好的，谢谢。这意味着，而不是'foreachPartition'，我应该使用'mapPartitions'来返回'result'？你能告诉我该怎么做吗？ – duckertito

它应该是这样吗？它不为我编译：'myDStream.foreachRDD（rdd => {val finalResult = rdd.mapPartitions（iter => val r = new RedisClient（UtilsDM.getHost，UtilsDM.getPort）val result = iter.map {msg = > ...}））}）' – duckertito

我不完全理解你的代码，但无论你做什么，你都不能在RDD.foreach，RDD.map，RDD.mapPartitions等内部使用sqlContext – 2016-11-19 09:31:53

我发现，使用现有的SparkContext（假设我已经创建了一个sparkContext事先SC）内的循环工作，即您使用

// this works 
stream.foreachRDD(_ => { 
    // update rdd 
    .... = SparkContext.getOrCreate().parallelize(...) 
}) 

// this doesn't work - throws a SparkContext not serializable error 
stream.foreachRDD(_ => { 
    // update rdd 
    .... = sc.parallelize(...) 
})

来源

2018-03-08 03:32:13 user9395367

如何在foreachPartition中使用SQLContext和SparkContext

回答

相关问题